Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14162
Title: Πειραματική εφαρμογή και αξιολόγηση τεχνικών μηχανικής μάθησης για την αποδοτική αξιοποίηση μεγάλου όγκου δεδομένων σε Industry 4.0 εφαρμογές
Other Titles: Experimental application and evaluation of machine learning techniques for the efficient utilization of big data in Industry 4.0 applications
Authors: Παναγιώτου, Στέφανος-Χέϊκκι
Keywords: Μηχανική μάθηση
Βιομηχανικά δεδομένα
Πρόβλεψη χρονοσειρών
Τέταρτη βιομηχανική επανάσταση
Έξυπνο εργοστάσιο
Keywords (translated): Machine learning
Time series forecasting
Industrial machinery data
Industry 4.0
Smart factory
Abstract: Η Τέταρτη Βιομηχανική Επανάσταση (Industry 4.0) σηματοδοτεί μία νέα εποχή για τις μεταποιητικές επιχειρήσεις όπου προηγμένες τεχνικές παραγωγής και λειτουργίας συνδυάζονται με έξυπνες ψηφιακές τεχνολογίες. Το αποκαλούμενο έξυπνο εργοστάσιο ενισχύεται μέσω της αξιοποίησης δεδομένων και της διάδρασης μεταξύ ανθρώπων και μηχανών αλλά και μηχανών μεταξύ τους, χάρη στη διασύνδεση πληθώρας τεχνολογιών όπως τεχνητή νοημοσύνη, IoT, ανάλυση μεγάλου όγκου δεδομένων, αυτόνομα έξυπνα ρομπότ κλπ. Ένας από τους πιο γόνιμους τομείς έρευνας και πρακτικής που προκύπτουν από αυτό το πλούσιο σε δεδομένα, κυβερνο-φυσικό, έξυπνο εργοστασιακό περιβάλλον είναι το πεδίο της προγνωστικής ανάλυσης. Αυτό το πεδίο εφαρμόζει μεθοδολογίες μηχανικής μάθησης για να προβλέψει γεγονότα π.χ. την ανάγκη συντήρησης, ένα ποιοτικό πρόβλημα, τη κατανάλωση ενέργειας κλπ και να υποβοηθήσει έτσι τη λήψη αποφάσεων και τη βελτιστοποίηση της παραγωγής. Σε αυτό το πλαίσιο, η παρούσα διπλωματική εργασία εξετάζει διάφορες περιπτώσεις πρόβλεψης των σταματημάτων ενός βιομηχανικού μηχανήματος εμφιάλωσης, εφαρμόζοντας τεχνικές πρόβλεψης μονομεταβλητών (univariate) χρονοσειρών και εποπτευόμενης μηχανικής μάθησης. To σύνολο δεδομένων που χρησιμοποιείται αφορά ένα σήμα σχετικά με την κατάσταση λειτουργίας του μηχανήματος και αξίζει να σημειωθεί πως πρόκειται για πραγματικά δεδομένα που προέρχονται από τη γραμμή παραγωγής μιας βιομηχανικής μονάδας του τομέα τροφίμων και ποτών. Στην εργασία παρουσιάζεται η μεθοδολογία προεπεξεργασίας και μετασχηματισμού του ακατέργαστου συνόλου δεδομένων ώστε η αρχική πληροφορία να μπορεί να αξιοποιηθεί κατάλληλα και να δοθεί ως είσοδος στα μοντέλα πρόβλεψης. Όσον αφορά τις προβλέψεις, επιχειρείται η πρόβλεψη της αθροιστικής διάρκειας των σταματημάτων χρησιμοποιώντας τις μεθόδους πρόβλεψης χρονοσειρών και αλγορίθμους παλινδρόμησης, ενώ εξετάζονται επίσης και δύο προβλήματα ταξινόμησης. Δεδομένης της απουσίας των αιτιών πρόκλησης σταματημάτων στη διάθεση μας, τα αποτελέσματα δείχνουν ότι οι προτεινόμενες μέθοδοι επιτυγχάνουν μια υποσχόμενη απόδοση με σημαντικές μελλοντικές προοπτικές.
Abstract (translated): The Fourth Industrial Revolution (Industry 4.0.) marks a new era for manufacturing companies where advanced production and operation techniques are combined with intelligent digital technologies. The so-called smart factory is enhanced through data utilization and human-machine interaction, as well as Machine to Machine (M2M) communication, thanks to the interconnection of a variety of technologies such as artificial intelligence, IoT, big data analysis, smart autonomous robots etc. One of the most fruitful research and practice areas emerging from this data-rich, cyber-physical, smart factory environment is the field of predictive analytics. This field applies machine learning methodologies to predict events e.g. the need for maintenance, a quality problem, energy consumption, etc. and thus assist in decision making and production optimization. In this context, the present diploma thesis examines various prediction cases concerning the stoppages of an industrial bottling machine, by applying univariate time series forecasting techniques and supervised machine learning methods. The dataset refers to a single signal, related to the operating status of the machine and it is worth noting that it is real data coming from the production line of an industrial unit in the food and beverage sector. The work presents a methodology for preprocessing and transformation of the raw dataset so that the initial information can be properly utilized and given as an input to the prediction models. As far as the prediction cases are concerned, attempts are made to predict the cumulative duration of stoppages using both time series forecasting methods and regression algorithms, while two classification problems are also examined. Given the absence of stoppages causes at our disposal, the results show that the proposed methods achieve a promising performance with significant future prospects.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Thesis_Panagiotou.pdf2.37 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.